这项医工交叉合作研究构建了全球首个面向糖尿病诊疗的视觉—大语言模型的多模态集成智能系统DeepDR-LLM，通过融合大语言模型和深度学习技术优势，实现了医学影像诊断与诊疗意见的多模态生成功能，能提供糖尿病视网膜病变（DR）辅助诊断结果及个性化糖尿病综合管理意见，并首次向全球提供了面向糖尿病医疗垂直领域的多模态大模型应用成效的高质量循证证据。研究证实DeepDR-LLM系统可有效改善DR筛查和基层糖尿病管理水平，为未来全球糖尿病治理提供了革命性的数字解决方案。

人工智能特别是深度学习在糖尿病及并发症管理领域发挥着越来越重要的作用。然而，既往的人工智能系统研发主要集中在糖尿病的并发症筛查或辅助管理的单一领域。随着全球范围内以ChatGPT为代表的生成式人工智能技术的迅猛发展，多模态大模型正不断推动医疗领域的新应用场景和模式的涌现，但这些模型尚不能根据患者的医学影像和具体病情，提供准确且安全的糖尿病综合诊疗建议。

鉴于这种现状，如何有效整合糖尿病并发症的精准诊断与糖尿病诊疗意见的自动生成，构建出一个安全可控的多模态智能模型，以支持基层医生提供一站式辅助诊疗服务，已成为国际医疗领域的前沿课题和重大挑战。 

针对当前的技术空白和临床的实际需求，本研究成功研发了全球首个面向糖尿病基层诊疗的视觉—大语言模型多模态集成智能系统DeepDR-LLM。

该系统由LLM模块和DeepDR-Transformer模块组成，科研团队创新性地提出融合适配器（Adaptor）和低秩自适应（LoRA）协同优化技术，构建了DeepDR-LLM多模态大模型，可适配包括LLaMA在内的大语言模型，LLM模块将训练网络层与大语言模型的固有权重参数相融合，突破低算力资源约束下的多模态大模型优化的瓶颈，并进一步基于37.2万条基层慢病诊疗和慢病管理数据和知识实现了高效优化训练，使DeepDR-LLM系统可基于患者个体的临床信息生成精准糖尿病管理意见。

与此同时，DeepDR-Transformer模块引入Transformer模型架构针对超50万张眼底图像进行训练，精准实现眼底影像的质量检测、病变分割和DR分级诊断。DeepDR-Transformer模块生成的DR等相关视觉特征信息可自动输入LLM模块，从而实现DeepDR-LLM系统的一站式多模态诊疗意见集成。

DeepDR-LLM系统自去年研制成功后，科研团队对该系统开展了安全性、可靠性、可控性、公平性等多维度的评估。研究团队还邀请糖尿病相关学科的著名学者组成国际多学科专家委员会，首先从覆盖中国31个省区的中国糖尿病慢性并发症研究队列中随机抽取100个病例样本，专家针对每个病例形成诊疗共识，以此为标准答案，对DeepDR-LLM系统和基层医生给出的诊疗意见进行盲法评分，发现DeepDR-LLM系统产出诊疗意见的质量达到或优于基层医生的水平。

DeepDR-LLM系统通过来自北京、上海、广州、武汉及香港等中国城市和新加坡、印度、泰国、英国、阿尔及利亚、乌兹别克斯坦六个国家的超50万张眼底图像对DeepDR-LLM系统进行外部测试，其DR诊断能力达到专业眼科医生水平。

进一步通过面向中国基层医生和新加坡读片人员的读片试验，利用从中国糖尿病慢性并发症研究、新加坡眼病流行病学研究等数据库抽取的眼底图像，团队同时证明了基层医生在DeepDR-LLM的辅助下能够更准确地判读DR。

更重要的是，研究团队将集成的DeepDR-LLM系统应用于真实世界临床流程，开展了随访769例中国基层糖尿病患者的前瞻性研究，证明了在DeepDR-LLM系统纳入糖尿病诊疗流程后，可显著改善新发糖尿病患者的自我管理行为，并提高DR患者的转诊依从性。

每一项临床研究都倾注着研究团队的心血结晶。学习过后，您是否有所收获？或有疑问想与主创团队分享？请在评论区留言，期待与您交流！

END